L'IA agentica infrange il presupposto alla base di ogni previsione sull'esposizione delle mansioni

Le previsioni sul mercato del lavoro hanno dato per scontato che l'automazione rimuova le mansioni una alla volta lasciando in piedi la professione. L'IA agentica, che completa interi flussi di lavoro, invalida tale presupposto, e un nuovo indice composito, l'Agentic Task Exposure (ATE), è stato costruito per misurare ciò che i vecchi modelli non riescono a cogliere.

Sintesi esecutiva

Le precedenti previsioni sull'automazione, comprese quelle fondate sul modello delle mansioni di Autor-Levy-Murnane, condividono un unico presupposto: la professione sopravvive come un involucro di coordinamento attorno al lavoro umano rimanente.

I sistemi di IA agentica soddisfano quattro criteri: ricevono la specifica di un obiettivo, selezionano e invocano autonomamente gli strumenti, mantengono lo stato attraverso più passaggi di inferenza e producono un lavoro completo senza intervento umano nei passaggi intermedi.

Il punteggio ATE combina i punteggi di capacità dell'IA, i fattori di copertura del flusso di lavoro e la velocità logistica di adozione. Analisti del credito, giudici e specialisti della sostenibilità raggiungono punteggi ATE compresi tra 0,43 e 0,47.

Lo studio applica l'ATE a 236 codici SOC in sei grandi gruppi professionali attraverso cinque regioni tecnologiche statunitensi, e si definisce come la prima applicazione empirica multiregionale del modello di esposizione delle mansioni specificamente rivolta ai sistemi di IA agentica.

Accanto allo spiazzamento, lo studio individua diciassette categorie professionali emergenti, concentrate nella collaborazione uomo-IA, nella governance dell'IA e nelle operazioni di IA specifiche di dominio.

Le previsioni che hanno esagerato #

I robot industriali hanno effettivamente sostituito i lavoratori del settore manifatturiero. Non lo hanno fatto però secondo le tempistiche o su scala pari a quanto lasciavano intendere le previsioni iniziali. Questa frase dovrebbe rendere un po' cauto chiunque legga previsioni sul mercato del lavoro per mestiere, perché descrive uno schema ricorrente: la direzione era giusta, ma l'ordine di grandezza era sbagliato.

Il dato principale più noto in questa letteratura proviene da Frey e Osborne, i quali chiesero a degli esperti di valutare 702 professioni statunitensi in base alla loro "computerizzabilità" complessiva. Il loro risultato fu che il 47% delle professioni era ad alto rischio. È una cifra d'impatto, che ha fatto molta strada.

Arntz, Gregory e Zierahn hanno poi mostrato cosa accade quando l'analisi scende al livello delle singole mansioni e tiene conto dell'eterogeneità dei compiti all'interno di professioni nominalmente esposte. Le stime di alto rischio scendono al 9-14% nei paesi dell'OCSE. La distanza tra il 47% e il 9-14% non è una divergenza di arrotondamento. Riflette una scelta sull'unità di analisi, e tale scelta sposta la risposta di un fattore pari a tre o più.

La fonte ammette francamente che il dibattito tra le stime a livello di professione e quelle a livello di mansione rimane irrisolto. Ciò che il settore ha effettivamente raggiunto è un consenso pratico: la scomposizione a livello di mansione è necessaria, mentre le etichette a livello di professione sono troppo grossolane. Questo consenso è il fondamento su cui poggia il resto dell'argomentazione. Ed è anche il fondamento che l'IA agentica mette sotto pressione.

Come funzionano i modelli basati sulle mansioni #

Per capire da dove nasca la tensione, è utile essere precisi su ciò che afferma la tradizione basata sulle mansioni.

Autor, Levy e Murnane hanno suddiviso le mansioni lavorative lungo due assi: routinarie contro non routinarie, e cognitive contro manuali. La loro tesi era che l'automazione sostituisce ciò che è routinario mentre integra ciò che non lo è. È un'idea limpida, che ha fornito ai lavori successivi un vocabolario per discutere quali parti di un lavoro potessero essere assorbite da una macchina.

Acemoglu e Restrepo hanno costruito una struttura formale su tale base. Essi modellano la produzione come il risultato di un continuo di mansioni allocate tra capitale e lavoro. Nella loro impostazione, la quota del lavoro sale o scende a seconda che la creazione di nuove mansioni, che essi chiamano canale di reintegrazione (reinstatement channel), superi o meno lo spiazzamento delle mansioni. Seguendo la loro formulazione, la quota del lavoro nel valore aggiunto si scrive sL = W * L / Y = f(|NL| / |N|), dove W è il tasso salariale, L è l'occupazione e Y è la produzione. Due forze tirano in direzioni opposte, e quella che prevale determina chi incamera i guadagni.

Altri due sforzi di misurazione sono importanti in questo contesto perché hanno trasformato il modello teorico in numeri a livello di professione. Felten, Raj e Seamans hanno costruito il punteggio AI Occupational Exposure (AIOE) collegando i progressi pubblicati nelle capacità dell'IA alla tassonomia delle abilità di O*NET. Eloundou et al. hanno costruito una misura parallela incentrata su GPT-4, combinando annotazioni di collaboratori crowd-worker con autovalutazioni di GPT-4 a livello di mansione.

Il loro risultato principale è stato che l'80% dei lavoratori statunitensi ricopre impieghi in cui almeno il 10% delle mansioni è esposto agli LLM. L'esposizione più elevata si concentrava tra le professioni ad alto salario che richiedono una laurea. Questo risultato va contro la vecchia intuizione secondo cui l'automazione colpisce per primo il lavoro routinario e meno retribuito, e spiega perché la questione impiegatizia sia diventata urgente.

L'angolo cieco condiviso da tutti i modelli #

La fonte avanza un'osservazione precisa su tutto questo filone di ricerca. Ogni modello citato condivide un angolo cieco architettonico: rappresenta l'automazione come l'eliminazione di singole mansioni mentre la professione rimane intatta. Quasi tutte le previsioni, comprese quelle basate sul modello delle mansioni di Autor-Levy-Murnane, condividono il presupposto secondo cui l'automazione sottrae le mansioni una alla volta e la professione sopravvive come un involucro di coordinamento attorno al lavoro umano rimanente.

Questo è un presupposto sulla struttura, non sulla tecnologia. Non dice nulla su quanto sia capace la macchina. Dice che, per quante mansioni la macchina possa assumere, qualcuno deve comunque tenere insieme il resto.

L'esempio dell'assistente legale (paralegal) rende concreto il concetto. Un'analisi di esposizione delle mansioni potrebbe segnalare l'80% dei compiti di un assistente legale come esposto agli LLM e tuttavia concludere che la professione è al sicuro, poiché coordinare tali compiti richiede il giudizio umano. La conclusione discende dal presupposto dell'involucro. Le mansioni sono esposte, ma la cucitura tra di esse non lo è, quindi il posto di lavoro resta.

Ecco allora la mossa chiave della fonte: il collo di bottiglia del coordinamento che proteggeva il ruolo dell'assistente legale si trova ora all'interno del modulo di pianificazione dell'agente. Se questo è vero, il ragionamento che teneva al sicuro l'assistente legale smette di funzionare. La protezione derivava dal coordinamento. Il coordinamento è esattamente ciò che fa un sistema agentico.

Penso che questa sia l'idea più utile dello studio, e merita di essere presa nei suoi stessi termini. I modelli più vecchi non si sbagliano riguardo alle mansioni. Si sbagliano riguardo a ciò che resta dopo che le mansioni se ne vanno. Una metrica che valuta le mansioni una per una non può vedere un sistema che gestisce la sequenza come un'unica unità.

Cosa definisce un sistema agentico #

Se l'argomentazione dipende da una distinzione, tale distinzione richiede una definizione. La fonte ne fornisce una basata su quattro criteri. Un sistema di IA agentica è un sistema che:

riceve la specifica di un obiettivo anziché la specifica di una mansione;
seleziona e invoca autonomamente gli strumenti per perseguire l'obiettivo;
mantiene lo stato attraverso molteplici passaggi di inferenza; e
produce un lavoro completo senza intervento umano nei passaggi intermedi.

Questo è un elenco che vale la pena mantenere come tale, poiché i criteri sono discreti e ciascuno può essere verificato. Un sistema che risponde a un prompt fallisce il primo. Un sistema che ha bisogno di una persona per approvare ogni passaggio intermedio fallisce il quarto.

In termini più semplici, un agente riceve un obiettivo, seleziona gli strumenti, esegue un piano in più fasi, controlla il proprio output e consegna un prodotto di lavoro finito. I sistemi agentici concatenano chiamate a strumenti, mantengono una memoria persistente tra i passaggi, pianificano sequenze multi-azione e si autocorreggono quando gli output intermedi non superano i controlli di qualità.

Il dettaglio dell'autocorrezione conta più di quanto sembri a prima vista. Una pipeline che si blocca quando un passaggio fallisce ha ancora bisogno di un essere umano nelle vicinanze. Un sistema che rileva il fallimento di un controllo di qualità e riprova ha assorbito parte della supervisione che in precedenza giustificava la presenza umana.

Lo studio definisce così il proprio oggetto di indagine: agenti di IA autonomi capaci di completare interi flussi di lavoro professionali anziché mansioni discrete. La parola "interi" regge tutto il peso. L'intera argomentazione ruota attorno al divario tra una mansione discreta e un flusso di lavoro completo.

Perché il momento è adesso #

La fonte offre due tipi di prove del fatto che la questione non è ipotetica. La prima riguarda le capacità. I modelli della classe GPT-4 hanno raggiunto o superato le soglie di superamento nell'esame di abilitazione forense (bar exam) e nello US Medical Licensing Exam, e sono arrivati a pochi punti percentuali dal superare il livello I del CFA. Si tratta di esami di abilitazione per professioni che limitano l'accesso proprio perché il lavoro è difficile.

La seconda riguarda la messa in produzione. I principali fornitori di tecnologia aziendale, tra cui Amazon, Microsoft, Salesforce, ServiceNow e Workday, hanno reso note implementazioni agentiche in produzione che toccano i flussi di lavoro impiegatizi durante le loro conferenze sui risultati finanziari del 2024 e nelle presentazioni agli investitori. Si tratta di distribuzioni in produzione, non di demo di ricerca, e sono state annunciate agli investitori anziché al mondo accademico.

La fonte legge tali comunicazioni come il tipo di annunci che le aziende fanno solo quando le implementazioni stanno già influenzando la pianificazione degli organici. La fonte inquadra tutto ciò come un'interpretazione, non come una misurazione, e come tale va considerata. Nulla nella documentazione che mi è stata fornita riporta direttamente cifre sugli organici. Ma l'inferenza è ragionevole: le imprese di solito non presentano un'implementazione agli investitori a meno che non incida sulla base dei costi.

Mettendo insieme i due elementi, le ragioni a favore di una nuova misura risultano lineari. La sola capacità non basterebbe a imporre la questione, e nemmeno qualche progetto pilota. Una capacità che sta già superando le soglie professionali, all'interno di sistemi già in produzione, invece lo fa.

Il punteggio ATE: cosa misura e cosa non misura #

La risposta dello studio è il punteggio Agentic Task Exposure (ATE). È una metrica composita che estende il modello di spiazzamento delle mansioni di Acemoglu-Restrepo per tenere conto della copertura end-to-end dei flussi di lavoro, degli attuali benchmark di capacità dell'IA agentica e della velocità di adozione aziendale. Il punteggio misura il grado in cui una professione o è esposta allo spiazzamento end-to-end da parte degli attuali sistemi di IA agentica.

Vi confluiscono tre ingredienti: punteggi di capacità dell'IA, fattori di copertura del flusso di lavoro e velocità logistica di adozione. Il fattore di copertura del flusso di lavoro è l'elemento che affronta direttamente l'angolo cieco. La fonte afferma che ciò che manca nei lavori precedenti è una misura volta a stabilire se l'intera composizione del flusso di lavoro di una professione rientri nel perimetro operativo dell'IA agentica, e formalizza tale aspetto come fattore di copertura del flusso di lavoro. I vecchi punteggi chiedono se una mansione sia esposta. Questo chiede se l'intero flusso di lavoro rientri in ciò che un agente è in grado di fare.

Vengono specificati altri due elementi della costruzione. Il termine wo,t è la rilevanza ponderata per l'importanza della mansione t nella professione o, tratta dalle valutazioni sull'importanza delle mansioni di O*NET. E CAP(t), il termine di capacità, è stimato a partire dalla letteratura sui benchmark di IA e dai rapporti di implementazione degli operatori del settore. Pertanto, l'importanza delle mansioni proviene da un database professionale standard, mentre la capacità proviene da due fonti: benchmark e rapporti sul campo.

Lo studio è esplicito riguardo al metodo, e il lettore dovrebbe attenersi a questa precisazione. I punteggi ATE sono calcolati algoritmicamente dai dati sulle mansioni di O*NET utilizzando parametri di adozione calibrati; non sono stime di regressione. Ciò ha conseguenze pratiche. Una stima di regressione è accompagnata dal consueto apparato di errori standard e argomenti di identificazione. Un indice composito algoritmico calibrato non lo è, e i suoi risultati sono proiezioni derivate dal modello, un'espressione che lo studio stesso utilizza per le proprie cifre sullo spiazzamento. Esse descrivono ciò che il modello implica dati i suoi parametri. Non riferiscono ciò che è già accaduto.

Sosterrei che si tratta di un'impostazione onesta, ed è quella giusta per un problema di previsione in cui l'evento previsto non si è ancora verificato. Un indice composito costruito a partire da input dichiarati può essere ispezionato, contestato e ricalibrato. Se qualcuno non è d'accordo sulla velocità di adozione, sa esattamente quale manopola regolare.

Dove lo applica il modello #

L'applicazione empirica è ampia. Lo studio applica il modello ATE a 236 codici della Standard Occupational Classification (SOC) che abbracciano sei grandi gruppi professionali, generando proiezioni di spiazzamento derivate dal modello in cinque importanti regioni tecnologiche degli Stati Uniti per il periodo 2025-2030. Le cinque regioni sono la San Francisco Bay Area, Seattle-Tacoma-Bellevue, Austin-Round Rock, New York-Newark e Boston-Cambridge.

Lo studio descrive questo lavoro come la prima applicazione empirica multiregionale del modello di esposizione delle mansioni specificamente rivolta ai sistemi di IA agentica. Si tratta di una rivendicazione di priorità avanzata dagli autori, che non posso verificare sulla base del materiale che ho di fronte. Ciò che posso dire è che l'impostazione regionale costituisce una risposta sensata a un problema condiviso dagli studi a livello nazionale: l'esposizione è una proprietà delle professioni, ma l'adozione è una proprietà dei luoghi e delle imprese.

In base ai risultati forniti dalla fonte, analisti del credito, giudici e specialisti della sostenibilità raggiungono punteggi ATE di 0,43-0,47. Questo raggruppamento merita una seconda occhiata. Un analista del credito, un giudice e uno specialista della sostenibilità non si somigliano per formazione, retribuzione o lavoro quotidiano. Ciò che hanno in comune, secondo lo studio, è un punteggio nella stessa fascia. Leggerei questo dato come un punto a sfavore di qualsiasi pigra classificazione dei lavori in "sicuri" e "a rischio" in base al settore o alla creatività percepita.

Eviterei inoltre di leggere nella cifra più di quanto la fonte supporti. Il materiale di cui dispongo fornisce l'intervallo per queste tre professioni e non dice come esso si confronti con il resto dei 236 codici. Pertanto, il numero mostra che questi ruoli sono sostanzialmente esposti sulla scala dello studio. Non dimostra che siano i più esposti in assoluto.

I risultati regionali sono accompagnati da una cautela che vale la pena ripetere. Lo studio afferma che gli effetti sulla forza lavoro di Seattle nel 2026-2027 anticipano ciò che la più ampia forza lavoro non tecnica nazionale sperimenterà nel 2028-2030. Si tratta di una previsione con un ritardo temporale dichiarato, ed è formulata con cautela. Si legge come un'ipotesi prodotta dal modello e non va presa come un fatto assodato. Ma è un tipo di affermazione utile, perché è abbastanza specifica da poter essere smentita. Se lo schema iniziale di Seattle non si trasferirà alla forza lavoro non tecnica nazionale entro il 2028, il modello avrà un problema che non potrà facilmente ignorare.

Il lato della reintegrazione nel bilancio #

Un punteggio di spiazzamento da solo racconta metà della storia di Acemoglu-Restrepo. Nel loro modello, la quota del lavoro dipende dal fatto che la creazione di nuove mansioni superi o meno lo spiazzamento. Uno studio che avesse esteso il modello misurando solo lo spiazzamento avrebbe abbandonato la parte che conferisce tensione al modello stesso.

Lo studio non lo fa. Individua le categorie professionali in cui l'IA agentica genera effetti di reintegrazione: nuovi ruoli che non esistevano prima che l'implementazione agentica creasse una domanda di supervisione umana, governance e collaborazione su larga scala. In totale individua diciassette categorie professionali emergenti che beneficiano di effetti di reintegrazione. Sono concentrate nei ruoli di collaborazione uomo-IA, governance dell'IA e operazioni di IA specifiche di dominio.

Il meccanismo è facile da seguire. Se gli agenti eseguono flussi di lavoro dall'inizio alla fine, qualcuno deve supervisionarli, stabilire le regole secondo cui operano e lavorare al loro fianco. Queste esigenze non esistevano in precedenza sotto forma di impieghi perché non c'era ancora nulla da supervisionare.

La fonte non mi dice quante persone impiegherebbero queste diciassette categorie, né se la loro crescita compenserebbe lo spiazzamento implicato dai punteggi ATE. Pertanto, i dati che posso utilizzare lasciano aperta la questione centrale: se la reintegrazione superi lo spiazzamento. Chiunque scriva con sicurezza che lo fa, o che non lo fa, sta andando oltre le affermazioni verificate. Il contributo dello studio consiste nel porre entrambi i lati del bilancio all'interno dello stesso quadro analitico e nell'indicare dove compaiono i nuovi ruoli.

Cosa trarne #

C'è una lezione metodologica e una pratica.

La lezione metodologica è che l'unità di analisi decide la risposta. Il salto dal 47% al 9-14% è derivato dal passaggio dalle professioni alle mansioni. Lo studio sostiene che sia ora necessario un ulteriore passaggio, dalle mansioni ai flussi di lavoro, perché ciò che viene automatizzato non è più una singola mansione. Ogni volta che l'unità è cambiata, sono cambiate le stime, e la storia di questo campo suggerisce che la scelta dell'unità merita la stessa attenzione riservata alla scelta dei dati.

La lezione pratica è rivolta a chiunque pianifichi organici, formazione o prodotti per i prossimi cinque anni. Un punteggio che ti dice che l'80% delle mansioni di un ruolo è esposto non basta, perché non dice se il restante 20% sia un nucleo umano durevole o solo il collante che il modulo di pianificazione di un agente può ora fornire. Il fattore di copertura del flusso di lavoro esiste per porre direttamente questa domanda.

Il punteggio ATE è un indice composito con parametri calibrati, e le sue proiezioni sono derivate dal modello. Sono un'argomentazione strutturata sul periodo 2025-2030, non una cronaca di esso. Questa è una ragione per metterle alla prova piuttosto che ignorarle. L'ipotesi su Seattle offre un primo banco di prova: se gli effetti del 2026-2027 in quell'area assomiglieranno a quanto implicato dal modello, il ritardo verso la forza lavoro non tecnica nazionale nel 2028-2030 diventerà il prossimo elemento da osservare. E le diciassette categorie di reintegrazione pongono l'interrogativo che i dati attuali non possono risolvere: se i ruoli creati per supervisionare gli agenti arriveranno in numeri tali da contare per la quota del lavoro.

Domande frequenti #

Perché i precedenti modelli di esposizione delle mansioni sottovalutano l'impatto dell'IA agentica?

I modelli precedenti fondati sulla tradizione di Autor-Levy-Murnane presuppongono che l'automazione rimuova singole mansioni mentre la professione sopravvive come un involucro di coordinamento umano. I sistemi di IA agentica assorbono la pianificazione, l'invocazione degli strumenti, la gestione dello stato e i controlli di qualità intermedi che in precedenza richiedevano un coordinatore umano, esponendo interi flussi di lavoro anziché mansioni isolate.

Come viene calcolato il punteggio Agentic Task Exposure (ATE)?

L'ATE è un indice composito algoritmico costruito a partire dalle valutazioni di importanza delle mansioni di O*NET (wo,t), dai benchmark di capacità dell'IA e dai rapporti di implementazione degli operatori (CAP(t)), da un fattore di copertura del flusso di lavoro che misura se l'intero flusso di lavoro di una professione rientri nel perimetro operativo di un agente, e da parametri calibrati di velocità logistica di adozione su 236 codici SOC.

Cosa rileva lo studio riguardo alla creazione di nuovi posti di lavoro (effetti di reintegrazione)?

Estendendo il canale di reintegrazione di Acemoglu-Restrepo, lo studio individua diciassette categorie professionali emergenti concentrate nella collaborazione uomo-IA, nella governance dell'IA e nelle operazioni di IA specifiche di dominio. Se la crescita in tali categorie compensi lo spiazzamento a livello di flusso di lavoro rimane una questione empirica aperta.

References #

Ravish Gupta and Saket Kumar, (2026). Agentic AI and Occupational Displacement: A Multi-Regional Task Exposure Analysis of Emerging Labor Market Disruption ⧉. arXiv.
Tyna Eloundou, Sam Manning, Pamela Mishkin, and Daniel Rock, (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models ⧉. arXiv.
Daron Acemoglu and Pascual Restrepo, (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor ⧉. Journal of Economic Perspectives.
National Center for O*NET Development, (2025). O*NET Resource Center ⧉. US Department of Labor.

Ultima revisione 2026-11-01.

Ripubblica questo articolo

L'IA agentica infrange il presupposto alla base di ogni previsione sull'esposizione delle mansioni — Sebastien Rousseau

I modelli di esposizione delle mansioni trattano una professione come un involucro che sopravvive attorno a ciò che gli esseri umani continuano a fare. I sistemi agentici perseguono un obiettivo e...

Questo articolo è pubblicato con licenza Creative Commons Attribution 4.0 International. La ripubblicazione richiede l'attribuzione all'URL canonico.

L'IA agentica infrange il presupposto alla base di ogni previsione sull'esposizione delle mansioni — Sebastien Rousseau

I modelli di esposizione delle mansioni trattano una professione come un involucro che sopravvive attorno a ciò che gli esseri umani continuano a fare. I sistemi agentici perseguono un obiettivo e...

Originally published at https://sebastienrousseau.com/it/2026-10-25-agentica-infrange-presupposto-alla-base-ogni/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER